[发明专利]一种基于分类自学习的WIFI定位方法及系统

说明书

本发明公开了一种基于分类自学习的WIFI定位方法及系统，S1、无线定位的学习阶段：z1、使用N台无线定位设备互相之间探测WIFI通信接口上的信号RSSI信息并发送给定位引擎平台，由于无线定位设备的位置是已知的，通过综合N台设备上报的无线RSSI信息，定位引擎平台即可为每个无线定位设备所在位置建立指纹信息库，本发明涉及WIFI定位技术领域。该基于分类自学习的WIFI定位方法及系统，定位的全过程实现了自动化，在无需人工介入的情况下即可完成从学习到定位的整个过程，大幅降低定位系统部署、实施和运营的复杂度，便于系统的快速推广部署，可以大大节约定位系统的部署和使用成本，当定位环境或者无线定位设备位置发生变化时，仍然无需人工介入。

技术领域

本发明涉及WIFI定位技术领域，具体为一种基于分类自学习的WIFI定位方法及系统。

背景技术

随着移动互联网的快速发展，各种基于位置服务（LBS）的应用越来越普及。对于室外定位，目前普遍采用的全球定位系统（GPS）已经非常成熟；但是在室内，由于卫星信号易受建筑物的遮挡，GPS系统无法在室内定位中发挥作用。目前室内定位技术主要包括WIFI定位、RFID定位、红外定位、超声波定位、蓝牙定位、LED可见光定位、地磁定位、视觉定位等。得益于WIFI的广泛部署，WIFI定位已成为室内定位的主流技术，受到广泛研究并实现了大量的部署。

目前WIFI定位方法大致可以分为两类：三角定位方法和位置指纹定位方法。其中三角定位是利用信号衰减模型估算用户设备到多个定位设备之间的距离，然后运用三角几何原理确定用户设备的位置。位置指纹方法是预先在定位区域的多个已知位置采集WIFI的信号强度（RSSI）集合作为该位置的指纹信息；在实现定位时，将用户设备所在位置的指纹与预先获取的指纹信息库进行匹配，从最相近指纹所在的位置推算出用户设备所在的位置。

由于WIFI信号强度受环境因素影响较大，导致三角定位方法误差较大。位置指纹方法采用了基于机器学习的分类方法，可以更好应对WIFI信号波动的影响，并且得益于机器学习算法的演进，在定位精度及发展前景上要优于三角定位方法。

在现有的位置指纹定位方法中，需要将定位区域划分为间距1-2米的指纹采样点，并在每个采用点使用WIFI设备获取该位置与多个定位设备之间的接收信号强度（RSSI）值。该过程费时费力，并且当定位区域环境变化后，该过程还需要人工再次重复执行。之所以需要采用粒度较细的指纹采样点，与目前普遍使用的指纹匹配算法有关。目前广泛使用的K临近法（KNN）是选取指纹即信号空间距离最近的K个参考点，并将这K个参考点位置的平均值作为输出的定位位置。因此该算法需要足够多的采样点才能获得满意的定位精度。

发明内容

针对现有技术的不足，本发明提供了一种基于分类自学习的WIFI定位方法及系统，解决了现有的位置指纹定位方法中需要将定位区域划分为间距1-2米的指纹采样点，并在每个采用点使用WIFI设备获取该位置与多个定位设备之间的接收信号强度值，费时费力，并且当定位区域环境变化后，该过程还需要人工再次重复执行的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种基于分类自学习的WIFI定位方法，具体包括以下步骤：

S1、无线定位的学习阶段：

z1、使用N台无线定位设备互相之间探测WIFI通信接口上的信号RSSI信息并发送给定位引擎平台，由于无线定位设备的位置是已知的，通过综合N台设备上报的无线RSSI信息，定位引擎平台即可为每个无线定位设备所在位置建立指纹信息库；